.png){kind=icon}
.png){kind=icon}
返回
A multi-strategy improved osprey optimization algorithm for 3D UAV path planning
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae638d.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决传统鱼鹰优化算法（OOA）在无人机（UAV）路径规划中收敛速度慢且易陷入局部最优的问题，提出了一种多策略改进的鱼鹰优化算法（MOOA）。首先，在全局层面构建基于历史种群信息的引导学习策略，通过利用种群标准差建立各维度的自适应反馈回路，动态更新优化基准，从而提升收敛效率。其次，在开发阶段采用结合双曲余弦和正切搜索的复合策略，利用双曲余弦函数的非线性特性实现搜索步长的自适应衰减，确保平滑过渡至精细搜索模式，同时引入基于正切的微扰动以规避局部停滞。此外，在收敛后期融入基于Lévy飞行的高空翱翔策略，并配合随时间变化的正弦因子，以提供补充的全局搜索能力，进一步提升最终解的质量。对CEC2017基准测试套件的消融研究阐明了各策略的独立贡献。与九种先进算法的比较分析证实了MOOA在收敛精度和稳定性方面的优越性，而典型工程设计问题的实验验证了其处理复杂物理约束的鲁棒性。最后，将MOOA应用于不同复杂度的三维无人机路径规划场景，仿真结果表明其能有效最小化路径成本并显著提高规划成功率，验证了算法在复杂真实环境中的有效性和工程实用性。
Keyword:
UAV path planning
osprey optimization algorithm
guided learning
tangent function
L & eacute
vy